基于圖像的稻田飛虱測報方法的研究.pdf

1、稻飛虱是我國水稻上最重要的一類遠距離遷飛性害蟲，各稻區(qū)以褐飛虱，白背飛虱和灰飛虱最為常見，它們常群居在水稻中下部取食或產(chǎn)卵為害。稻飛虱不同蟲態(tài)的田間發(fā)生調查是其進行準確測報和合理防治的關鍵。在大部分水稻種植國家，稻飛虱田間調查一般采用人工拍查法、目測法、掃網(wǎng)法和燈誘法，其中，應用最為廣泛是拍查法?！芭牟榉ā辈楂@的飛虱率受到蟲口密度、水稻生育期、盤內壁濕潤程度等影響且容易造成調查者身體和視覺疲勞，調查效率低下。人工田間調查時只記錄了稻飛虱

2、種類和各種蟲態(tài)數(shù)量的數(shù)據(jù)，后面無法追溯田間調查時飛虱發(fā)生的真實情況。劉慶杰等充分利用數(shù)字圖像處理技術，研究了不同特征對水稻基部稻田飛虱檢測的影響，取得了較好的檢測效果，但飛虱誤檢率仍舊偏高。本文在此基礎上，采用新的三層檢測方法，研究了圖像特征和分類模型參數(shù)的選擇對水稻基部飛虱檢測率和誤檢率的影響，以及白背飛虱各蟲態(tài)（包括長翅型成蟲、短翅型成蟲、高齡若蟲和低齡若蟲）的分類問題。本論文主要研究內容、研究結果和創(chuàng)新點包括:
　　(1)在

3、第一層檢測中，研究了不同維數(shù)的HOG特征和不同級聯(lián)層數(shù)的Adaboost分類器對水稻基部白背飛虱檢測率和誤檢率的影響。首先，對2012-2016年期間采集的水稻基部飛虱圖像建立了白背飛虱和非飛虱噪聲的正負訓練樣本集;然后，提取訓練樣本不同維數(shù)的HOG特征;利用HOG特征訓練不同級聯(lián)層數(shù)的Adaboost分類器，用于檢測稻飛虱;最終選擇最優(yōu)Adaboost分類器測試525張水稻基部飛虱圖像。結果表明該算法對白背飛虱檢測率為90.7％，誤檢

4、率為56.2％。
　　(2)在第二層檢測中，針對第一層中存在較多的誤檢噪聲，研究了不同局部圖像特征訓練的SVM分類器對非飛虱噪聲識別情況。這些噪聲主要包括水珠、水面反光、泥點以及稻葉，它們在紋理上與飛虱存在較大差異。首先提取訓練樣本的Gabor與LBP特征，使用Z-score進行歸一化;然后，利用Gabor、LBP和兩個特征融合來訓練SVM分類器，根據(jù)不同特征訓練獲得的SVM分類器ROC曲線，發(fā)現(xiàn)Gabor和LBP融合的紋理特征訓

5、練的SVM分類器對白背飛虱和非飛虱噪聲識別率高;最終利用該SVM分類器對525張第一層檢測后得到的子圖像進行非飛虱噪聲排除;結果表明該算法將第一層的誤檢率從56.2％降低到了10.2％。
　　(3)在第三層檢測中，研究了白背飛虱不同蟲態(tài)分類識別的問題。針對不同蟲態(tài)的白背飛虱HOG特征差異顯著，本文首先提取了白背飛虱三種蟲態(tài)長翅型成蟲、高齡若蟲和低齡若蟲HOG特征，并使用Z-score進行歸一化;然后，利用PCA與LDA方法對HOG

6、特征進行降維，比較不同降維算法對白背飛虱不同蟲態(tài)的識別性能;最后，采用SVM分類器對525張水稻基部飛虱圖像第二層檢測到的白背飛虱子圖像進行蟲態(tài)分類識別;結果表明該算法對白背飛虱長翅型成蟲、高齡若蟲和低齡若蟲識別率分別為93.2％、82.7％和86.9％。
　　綜合三層檢測結果，最終獲得水稻基部白背飛虱各蟲態(tài)平均識別率為73.1％。誤檢率為23.3％。對于無蟲的圖像，誤檢率為5.6％。由此可見，利用圖像處理方法進行水稻基部飛虱測報